移动边缘计算的出现使得终端的计算任务可以卸载到边缘侧的高性能服务器进行处理,大大提高了各种应用的表现,其中视频监控是边缘计算应用最广泛的场景。传统云模式下进行视频监测的计算和传输带宽负载较重,边缘计算能对视频监控系统进行时延和效率优化,但仍存在两大问题:一方面,目前国内外的相关研究大多集中在计算机视觉算法模型或整体框架的设计,仍停留在仿真或验证阶段,没有实际搭建一整套物联网系统并部署业务算法对比效果。另一方面,由于视频监控系统功能复杂,未来随着业务丰富需要增加多种算法模块,但是传统架构扩展困难,随着虚拟化容器技术的发展,将多种算法模块进行单独部署可以大大减小了系统扩展的难度,但由于传统单步调试的方式不适用于微服务架构,在系统故障时定位根因模块十分困难,为了提高整个微服务系统的稳定性,设计高效的故障发现和根因定位算法十分必要。基于上述两大问题,本文搭建了一套基于边缘计算的视频监控系统,并设计了微服务归因算法快速发现系统故障并定位故障源头。论文的主要贡献为包括以下三个方面:一、边缘网络平台设计与实现:本文使用Amarisoft相关软件设备搭建传统蜂窝网络平台,采用OVS完成MEC的部署,实现边缘服务器基本的功能,并通过1080P视频传输任务对边缘计算平台进行功能测试和性能测试。总体上看,本文所搭建的边缘计算平台有效实现了边缘计算低延时、高速率的特点,为后续的业务搭建和算法仿真提供了基础。二、视频监控系统的搭建:针对视频监控业务设计了多个算法模型,验证边缘计算的应用价值。首先,在摄像头终端处通过GMG算法检测有效视频片段并通过H264算法压缩视频,模型精准率36.5%召回率95.7%,体积压缩比92.4%,缓解了带宽压力。其次,通过QT开发高速拍照软件并标注人脸关键点,通过数据增强手段丰富训练集,边缘侧基于transfer-learning固定Resnet若干层网络参数并负采样finetune训练生成人脸特征向量并存储,云端任务前置至边缘侧可降低80.6%平均延迟。最后,本文使用了联邦学习的思想,使用联邦平均法更新云端用户向量,并传递至边缘侧,通过师生网络和新增损失函数提高边缘模型精度,并定期新增边缘索引,在保证数据隐私的同时将边缘侧人脸识别模型精度提高了 15.3%。三、微服务系统监控与算法研究:本文提出了一种微服务故障的快速跟踪修复方法。第一部分是异常检测,通过箱线图、线性插值法等对数据预处理,通过DTW算法去相位偏差计算时序相似度,再通过Kmeans聚类和Tsfresh工具抽取时序特征,基于逻辑回归和随机森林算法联合检测异常。第二部分是根因定位,本文基于Zipkin和Prometheus分别对微服务系统进行调用链路级别和机器指标级别的监控,并利用Istio等工具注入故障。自定义统计策略构造有向有权的故障调用图,设计random-walk算法实现根因定位,算法平均耗时0.523s,根因排在top1和top2的准确率分别为84%和94%,与谷歌经典的Pagerank算法相比准确率提升了 23.5%和16.1%。